RTDETRv2 対 PP-YOLOE+: オブジェクト検出モデルの技術比較
急速に進化するコンピュータビジョンの分野では、複雑な リアルタイムオブジェクト検出 の課題を解決するために、多様なアーキテクチャアプローチが生み出されてきました。最近の最も注目すべき進歩の中に、RTDETRv2 と PP-YOLOE+ があります。これら2つの強力なモデルは、根本的に異なる設計哲学から視覚認識にアプローチしています。どちらのモデルも高性能な検出を提供することを目指していますが、その基盤となるメカニズム、学習パラダイム、そして理想的なデプロイシナリオは大きく異なります。
この包括的なガイドでは、両モデルの技術的なニュアンスを深掘りし、アーキテクチャ、パフォーマンスメトリクス、およびエコシステムサポートを比較することで、開発者や研究者が特定のデプロイニーズに最適なソリューションを選択できるようにします。
モデルの概要
パフォーマンスデータを分析する前に、各モデルの起源とアーキテクチャ上の目標を理解することが重要です。どちらも Baidu の研究チームから誕生しましたが、オブジェクト検出の系譜における異なる枝を表しています。
RTDETRv2
RTDETRv2 は、Transformerベースのビジョンアーキテクチャにおける大きな飛躍を象徴しています。オリジナルの Real-Time Detection Transformer を基盤とし、柔軟な Vision Transformer バックボーンと効率的なハイブリッドエンコーダーを組み合わせています。その最も決定的な特徴は、エンドツーエンドのネイティブな予測能力であり、後処理中の NMS（Non-Maximum Suppression）の必要性を完全に排除している点です。
著者: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, and Yi Liu 組織: Baidu 日付: 2024-07-24 Arxiv: 2407.17140 GitHub: RT-DETR Repository
PP-YOLOE+
PP-YOLOE+ は YOLO シリーズの高度なイテレーションであり、高性能な産業用アプリケーション向けに大きく最適化されています。スケーラブルな CNN アーキテクチャとアンカーフリーの検出ヘッドを備えています。優れた速度と精度のトレードオフを提供するよう設計されており、ET-head や一般化焦点損失関数（generalized focal loss function）といった強力な技術を導入することで、小さなオブジェクトの検出 を改善しています。
著者: PaddlePaddle Authors 組織: Baidu 日付: 2022-04-02 Arxiv: 2203.16250 GitHub: PaddleDetection Repository
どちらのモデルも単独の研究用リポジトリを持っていますが、Ultralytics Python package 内で直接 RTDETRv2 を試すことも容易であり、統一された API と合理化されたエクスポートオプションを活用できます。
アーキテクチャの違い
これら2つのモデルの基本的な違いは、視覚コンテキストを処理し、予測を生成する方法にあります。
PP-YOLOE+ は、従来型でありながら高度に最適化された畳み込みニューラルネットワーク（CNN）バックボーンを利用しています。局所的な受容野に依存して特徴を抽出するため、標準的なデプロイにおいて非常に高速かつ効率的です。ただし、重なり合うバウンディングボックスをフィルタリングするために標準的な NMS 後処理が必要であり、密集したシーンでは遅延のボトルネックが発生する可能性があります。
対照的に、RTDETRv2 はハイブリッドエンコーダーと Transformer デコーダーを採用しています。これにより、モデルは画像全体にわたるグローバルなコンテキストを同時に捉えることができます。注意機構（アテンションメカニズム）がオブジェクト間の関係性を本質的に理解するため、NMS を介さずに最終的なバウンディングボックスを直接出力できます。このエンドツーエンドのアプローチにより、検出されたオブジェクトの数にかかわらず、安定した推論遅延が保証されます。
パフォーマンスメトリクスと比較
YOLO パフォーマンスメトリクス を評価する際は、精度（mAP）、計算コスト（FLOPs）、および推論速度のバランスを取ることが重要です。以下の表は、さまざまなサイズにおける両モデルのパフォーマンスを示しています。
| モデル | サイズ (ピクセル) | mAPval 50-95 | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | パラメータ (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
PP-YOLOE+x は COCO データセット で 54.7% というわずかに高い mAPval を達成しますが、RTDETRv2 モデルは一般的に、NMS フリー設計による一貫した遅延という利点を備えつつ、競合する精度を提供します。しかし、PP-YOLOE+ は小型モデルにおいてパラメータ数と FLOPs の面で明確な優位性を維持しており、エッジデプロイにおいて非常に効率的です。
Ultralyticsの優位性: YOLO26の登場
RTDETRv2 と PP-YOLOE+ はどちらも非常に強力ですが、最先端技術は進化し続けています。速度、精度、およびエコシステムサポートの究極のバランスを求める開発者にとって、Ultralytics YOLO26 は新しい業界標準となります。
YOLO26 は、CNN と Transformer の両方の長所を統合しています。現代的なアーキテクチャによって先駆的に導入された エンドツーエンド NMS フリー 設計を採用し、後処理のボトルネックを効果的に排除しています。さらに、LLM 学習のイノベーションに触発されたハイブリッドアプローチである画期的な MuSGD Optimizer を導入しており、非常に安定した学習と迅速な収束を保証します。
多大な CUDA メモリを必要とする重い Transformer モデルとは異なり、YOLO26 は DFL Removal（Distribution Focal Loss）を備えており、エッジコンピューティングに特化して最適化されているため、前世代と比較して 最大 43% 高速な CPU 推論 を実現します。
さらに、YOLO26 は単純なオブジェクト検出に限定されません。ネイティブで多用途であり、インスタンスセグメンテーション、ポーズ推定、および 指向性バウンディングボックス（OBB） をすぐにサポートしますが、PP-YOLOE+ は主にバウンディングボックス検出に焦点を当てています。
学習手法とエコシステム
学習の効率性と使いやすさの面で、Ultralytics エコシステム は単独の研究用リポジトリと比較して真価を発揮します。PP-YOLOE+ は PaddlePaddle フレームワークに依存し、RTDETRv2 は複雑な環境構築を必要とすることが多いですが、Ultralytics を通じてモデルを統合すればシームレスな体験が得られます。
Ultralytics API を利用することで、学習中のメモリ要件を低減し、データセットの自動処理や簡素化されたハイパーパラメータチューニングのメリットを享受できます。さらに、ONNX や TensorRT といった本番環境向けのフォーマットへのモデルデプロイも、コマンド一つで完了します。
コード例: 合理化された推論
以下は、Ultralytics Python パッケージを使用して、推奨される YOLO26 モデルとともに RTDETRv2 を簡単に利用する方法を示すデモンストレーションです。
from ultralytics import RTDETR, YOLO
# Initialize the RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")
# Perform NMS-free inference on a test image
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_rtdetr[0].show()
# For superior speed and versatility, initialize the latest YOLO26 model
model_yolo26 = YOLO("yolo26n.pt")
# Train the YOLO26 model effortlessly with optimized memory usage
model_yolo26.train(data="coco8.yaml", epochs=50, imgsz=640)
# Export to TensorRT for edge deployment
model_yolo26.export(format="engine")実世界のアプリケーションとユースケース
これらのアーキテクチャの選択は、多くの場合、特定のハードウェアとアプリケーションの要件に依存します。
- RTDETRv2 は、サーバーサイド環境および複雑なシーン理解において優れています。そのグローバルアテンションメカニズムは、群衆管理 や、重なり合うオブジェクトによって標準的な NMS アルゴリズムが機能不全に陥りやすい 医療画像解析 において非常に効果的です。
- PP-YOLOE+ は、高速な産業用検査や、PaddlePaddle エコシステムに大きく投資している環境に最適です。小型スケールにおけるパラメータ数の少なさは、特定のロボット工学アプリケーションにおいて実行可能な選択肢となります。
- Ultralytics YOLO26 は、包括的な商用デプロイのために普遍的に推奨されるソリューションです。強化された ProgLoss + STAL 機能により、空中ドローン運用 や スマートシティ交通監視 に不可欠な小さなオブジェクトの認識能力が大幅に向上しています。
ユースケースと推奨事項
RT-DETR と PP-YOLOE+ のどちらを選択するかは、プロジェクト固有の要件、デプロイの制約、およびエコシステムの優先順位によって決まります。
RT-DETRを選ぶべき場面
RT-DETRは以下のような場合に適した選択肢です：
- Transformerベースの検出研究： NMSなしでのエンドツーエンドの物体検出に向けて、アテンションメカニズムとTransformerアーキテクチャを研究するプロジェクト。
- レイテンシを柔軟に調整できる高精度シナリオ： 検出精度が最優先であり、わずかに高い推論レイテンシが許容されるアプリケーション。
- 大型物体の検出： 主に中型から大型の物体が含まれるシーン。Transformerのグローバルアテンションメカニズムが自然な利点をもたらします。
PP-YOLOE+を選択すべき時
PP-YOLOE+は以下の場合に推奨されます：
- PaddlePaddleエコシステム統合： BaiduのPaddlePaddleフレームワークとツールの上に構築された既存のインフラストラクチャを持つ組織。
- Paddle Liteエッジ展開： Paddle LiteまたはPaddle推論エンジン向けに特別に高度に最適化された推論カーネルを持つハードウェアへの展開。
- 高精度のサーバーサイド検出： フレームワークの依存関係が懸念されない強力なGPUサーバーで、最大の検出精度を優先するシナリオ。
Ultralytics (YOLO26) を選択すべき場合
ほとんどの新規プロジェクトにおいて、Ultralytics YOLO26はパフォーマンスと開発者体験の最高の組み合わせを提供します：
- NMSフリーのエッジデプロイ: Non-Maximum Suppressionの後処理の複雑さを伴わずに、一貫した低レイテンシの推論が求められるアプリケーション。
- CPUのみの環境: 専用のGPUアクセラレーションがないデバイスにおいて、YOLO26の最大43%高速なCPU推論が決定的な利点となります。
- 小物体の検出: 航空ドローンの映像 やIoTセンサーの分析など、ProgLossとSTALが小物体の精度を大幅に高めることができる困難なシナリオ。
結論
RTDETRv2 と PP-YOLOE+ の両方がコンピュータビジョンの可能性を広げ、Transformer と高度に最適化された CNN アーキテクチャの双方が有効であることを証明しました。しかし、断片化された研究用のコードベースをデプロイする複雑さが、本番環境への移行スケジュールを妨げる可能性があります。
現代の AI エンジニアにとって、Ultralytics Platform を活用することは比類のない利点をもたらします。YOLO11 や最先端の YOLO26 のようなシームレスに統合されたモデルに移行することで、チームは可能な限り最高の精度対速度比を達成しつつ、メモリ要件と開発オーバーヘッドを大幅に削減できます。